基于機(jī)器學(xué)習(xí)的通信電纜故障檢測(cè)與定位方法

黃藝航 蔡凱武 黃曉智 袁澄 梁恩源 林智海

本文引用格式：黃藝航，蔡凱武，黃曉智，等.基于機(jī)器學(xué)習(xí)的通信電纜故障檢測(cè)與定位方法[J].自動(dòng)化與信息工程， 2024，45（1）：? 35-41;60.

HUANG Yihang， CAI Kaiwu， HUANG Xiaozhi， et. al. Fault detection and localization method of communication cables based on machine learning[J]. Automation & Information Engineering， 2024，45（1）：35-41;60.

摘要：為解決傳統(tǒng)的通信電纜故障檢測(cè)與定位方法存在的靈敏性不足和智能化程度低等問(wèn)題，提出基于機(jī)器學(xué)習(xí)的通信電纜故障檢測(cè)與定位方法。首先，基于行波法檢測(cè)原理搭建通信電纜故障仿真模型來(lái)采集實(shí)驗(yàn)數(shù)據(jù)樣本；然后，提出基于粒子群優(yōu)化-支持向量機(jī)（PSO-SVM）的通信電纜故障檢測(cè)模型，其故障識(shí)別準(zhǔn)確率達(dá)99.4%；接著，提出基于卷積神經(jīng)網(wǎng)絡(luò)-長(zhǎng)短時(shí)記憶（CNN-LSTM）的通信電纜故障定位模型，該模型對(duì)故障點(diǎn)定位的平均絕對(duì)誤差為0.334 9，均方根誤差為0.320 8；最后，通過(guò)對(duì)比實(shí)驗(yàn)驗(yàn)證CNN-LSTM的網(wǎng)絡(luò)準(zhǔn)確率較單獨(dú)使用CNN和LSTM模型分別提高了9.47%和6.2%。

關(guān)鍵詞：PSO-SVM模型；CNN-LSTM模型；行波法；通信電纜；故障檢測(cè)；故障定位

中圖分類號(hào)：TN391.4? ? ? ? ? ? 文獻(xiàn)標(biāo)志碼：A? ? ? ? ? 文章編號(hào)：1674-2605（2024）01-0006-08

DOI：10.3969/j.issn.1674-2605.2024.01.006

Fault Detection and Localization Method of Communication Cables? ? ? Based on Machine Learning

HUANG Yihang1? CAI Kaiwu2? HUANG Xiaozhi1? YUAN Cheng1

LIANG Enyuan1? LIN Zhihai1

（1.School of Electromechanical Engineering， Guangdong University of Technology， Guangzhou 510006， China

2.School of Advanced Manufacturing， Guangdong University of Technology， Jieyang， 522000， China）

Abstract： To address the issues of insufficient sensitivity and low intelligence in traditional communication cable fault detection and localization methods， a fault detection and localization method of communication cables based on machine learning is proposed. Firstly， based on the principle of traveling wave detection， a communication cable fault simulation model is constructed to collect experimental data samples; Then， a communication cable fault detection model based on Particle Swarm Optimization Support Vector Machine （PSO-SVM） is proposed， with a fault recognition accuracy of 99.4%; Next， a communication cable fault location model based on Convolutional Neural Network Long Short Term Memory （CNN-LSTM） is proposed. The average absolute error of the model for fault location is 0.334 9， and the root mean square error is 0.320 8; Finally， through comparative experiments， it was verified that the network accuracy of CNN-LSTM was 9.47% and 6.2% higher than that of using CNN and LSTM models alone， respectively.

Keywords： PSO-SVM model; CNN-LSTM model; traveling wave method; communication cable; fault detection; fault localization

0 引言

隨著信息社會(huì)的進(jìn)步，通信電纜作為信息傳輸?shù)?/p>

主要媒介，其穩(wěn)定性和可靠性非常重要。然而，許多

因素可能導(dǎo)致通信電纜出現(xiàn)故障，如機(jī)械損傷、斷線、

接頭故障、絕緣老化、水淹和電磁干擾等，從而產(chǎn)生通信中斷、數(shù)據(jù)傳輸錯(cuò)誤或網(wǎng)絡(luò)擁堵等問(wèn)題。因此，通信電纜故障檢測(cè)與定位具有重要意義。

傳統(tǒng)的通信電纜故障檢測(cè)與定位方法可分為阻

抗法和行波法。其中，阻抗法通過(guò)通信電纜的電流、電壓、故障距離來(lái)確定故障的類型和位置；行波法基于行波放射理論，向通信電纜發(fā)射脈沖，通過(guò)反射脈沖波的極性和時(shí)間來(lái)進(jìn)行故障的定性與定位[1-2]。但這些方法依靠人工經(jīng)驗(yàn)，其準(zhǔn)確性與效率難以保證。

采用機(jī)器學(xué)習(xí)技術(shù)進(jìn)行通信電纜的故障檢測(cè)與定位，可更好地應(yīng)對(duì)故障信號(hào)的多樣性和復(fù)雜性，提高故障檢測(cè)與定位的準(zhǔn)確性和效率[3]。然而這類方法需要大量的樣本數(shù)據(jù)，且采用不同的模型和參數(shù)配置，故障檢測(cè)與定位的效果也存在差異[4]。

為此，本文通過(guò)搭建通信電纜故障仿真模型來(lái)采集足夠多的樣本數(shù)據(jù)；提出基于粒子群優(yōu)化（particle swarm optimization， PSO）-支持向量機(jī)（support vector machine， SVM）的通信電纜故障檢測(cè)模型，實(shí)現(xiàn)通信電纜的故障檢測(cè)及故障類型分類；提出基于卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural networks， CNN）-長(zhǎng)短時(shí)記憶（long short-term memory， LSTM）網(wǎng)絡(luò)的通信電纜故障定位模型，實(shí)現(xiàn)通信電纜故障點(diǎn)的定位。

1 通信電纜故障分類

通信電纜故障的主要原因是電纜芯線的絕緣阻抗發(fā)生變化，即故障點(diǎn)處的等效阻抗與電纜的特性阻抗不同[5]。通信電纜的故障主要分為短路、斷路、高阻故障（高阻泄露、高阻閃絡(luò)）等[6]，如表1所示。其中，f為絕緣阻抗，n為額定絕緣阻抗，c為特性阻抗。

短路和斷路是通信電纜的基礎(chǔ)故障，故障點(diǎn)處阻抗不匹配現(xiàn)象較為明顯；高阻故障（高阻泄露、高阻閃絡(luò)）是通信電纜的復(fù)雜故障，需通過(guò)特定的方法進(jìn)行檢測(cè)與定位。

2 通信電纜故障仿真模型

本文采用MATLAB R2022b仿真軟件建立的通信電纜故障仿真模型來(lái)采集數(shù)據(jù)樣本。通信電纜故障仿真模型由脈沖信號(hào)源發(fā)生器、測(cè)量元件、傳輸線元件和故障信號(hào)產(chǎn)生模塊組成，如圖1所示。

脈沖信號(hào)源發(fā)生器輸出正弦波信號(hào)，頻率為50 Hz。測(cè)量元件采集發(fā)射脈沖信號(hào)、反射脈沖信號(hào)的數(shù)據(jù)，并調(diào)用Scope工具實(shí)現(xiàn)行波數(shù)據(jù)可視化。傳輸線元件用于模擬通信電纜。故障信號(hào)產(chǎn)生模塊用于產(chǎn)生短路、斷路及高阻故障信號(hào)，并通過(guò)設(shè)置故障信號(hào)發(fā)生點(diǎn)、傳輸線的位置及發(fā)生時(shí)間，模擬通信電纜故障發(fā)生的位置及故障信號(hào)在傳輸過(guò)程中的時(shí)序特性。

3 基于PSO-SVM的通信電纜故障檢測(cè)模型

3.1 行波法檢測(cè)原理

通信電纜發(fā)生故障時(shí)，故障點(diǎn)處會(huì)出現(xiàn)阻抗不匹配現(xiàn)象。向故障通信電纜線一端發(fā)射低壓脈沖信號(hào)，當(dāng)脈沖信號(hào)到達(dá)故障點(diǎn)（斷路點(diǎn)、短路點(diǎn)、電纜老化和中間接頭）時(shí)會(huì)發(fā)生反射，導(dǎo)致故障點(diǎn)處電流、電壓的傳播方向和幅值發(fā)生變化。行波法通過(guò)檢測(cè)反射脈沖信號(hào)的極性可以進(jìn)行故障分類；通過(guò)發(fā)射脈沖信號(hào)、反射脈沖信號(hào)回到入射點(diǎn)位置的時(shí)間可以進(jìn)行故障點(diǎn)定位[7]。斷路、短路故障時(shí)通信電纜的發(fā)射脈沖信號(hào)與反射脈沖信號(hào)的波形如圖2所示。

對(duì)通信電纜一端發(fā)射脈沖信號(hào)時(shí)，若在入射點(diǎn)處檢測(cè)到反射脈沖信號(hào)，且與發(fā)射脈沖信號(hào)極性相同，則表示大阻抗，可能是斷路或高阻故障；若與發(fā)射脈沖信號(hào)極性不同，則表示小阻抗，可能是短路故障[8]。

根據(jù)脈沖信號(hào)在通信電纜中的傳播速度V和發(fā)射脈沖信號(hào)與反射脈沖信號(hào)到達(dá)入射點(diǎn)的時(shí)間差Δt，計(jì)算故障點(diǎn)與入射點(diǎn)的距離L為

（1）

當(dāng)脈沖信號(hào)存在時(shí)間寬度τ時(shí)，如果反射脈沖信號(hào)與發(fā)射脈沖信號(hào)在τ內(nèi)重疊，會(huì)導(dǎo)致發(fā)射點(diǎn)的信號(hào)接收器無(wú)法區(qū)分信號(hào)來(lái)自故障點(diǎn)還是發(fā)射源，形成盲區(qū)。盲區(qū)范圍對(duì)應(yīng)的距離為

（2）

根據(jù)行波法檢測(cè)原理，利用MATLAB搭建通信電纜故障仿真模型來(lái)采集樣本數(shù)據(jù)。在Simulink工具箱中調(diào)用傳輸線元件構(gòu)建通信電纜電路，在電路一端調(diào)用脈沖信號(hào)發(fā)生器模塊產(chǎn)生脈沖信號(hào)，調(diào)用Signal Processing Toolbox中的故障信號(hào)生成工具和處理器設(shè)置故障點(diǎn)。測(cè)量元件可以測(cè)量傳輸線參數(shù)和傳輸線上的行波信號(hào)，并通過(guò)Scope工具觀察脈沖信號(hào)在通信電纜中的傳播與反射情況。行波信號(hào)包括電壓、電流信號(hào)的幅度、頻率、時(shí)域特性（峰值、峰峰值和波形）、頻域特性（功率譜密度、頻譜分布）、時(shí)頻域特征（小波變換系數(shù)）等數(shù)據(jù)，將以上數(shù)據(jù)按與仿真時(shí)間點(diǎn)對(duì)應(yīng)的格式繪制圖表并保存。

3.2 PSO-SVM

SVM是由VAPNIK提出的監(jiān)督學(xué)習(xí)算法[9]，其基本思想是基于最大間隔分類原理，通過(guò)構(gòu)建一個(gè)最優(yōu)化的超平面來(lái)分割兩個(gè)類別的樣本，如圖3所示。

在SVM模型中，超平面可表示為，其中w為法向量，決定了超平面的方向；b為位移量，決定了超平面與原點(diǎn)之間的距離。設(shè)訓(xùn)練集樣本P = {（x1， y1 ）， （x2， y2 ）， （x3， y3 ），…，（xN， yN）}，其中，i = 1，2，…，N， xi∈Rn， yi∈{-1， 1}。找到一個(gè)超平面能夠分開(kāi)樣本，可以轉(zhuǎn)化為凸二次規(guī)劃問(wèn)題，求解能夠滿足約束條件的w和b，使樣本與超平面的間距最大化。約束條件為

（3）

為構(gòu)造誤差最小的超平面，通過(guò)方程（4）可得到唯一的最優(yōu)解。

（4）

式中：C為懲罰系數(shù)（或正則化參數(shù)），表示對(duì)樣本分類錯(cuò)誤的容忍度。C值越高，越不能容忍出現(xiàn)分類錯(cuò)誤的情況，模型容易過(guò)擬合；相反C值越小，模型容易欠擬合。

針對(duì)非線性分類問(wèn)題，SVM利用核函數(shù)將低維非線性數(shù)據(jù)映射到高維空間中，對(duì)轉(zhuǎn)換后的數(shù)據(jù)進(jìn)行線性分類。SVM核函數(shù)種類包括徑向基核函數(shù)（radial basis function， RBF）、d次多項(xiàng)式核和Sigmoid核[10]，其中RBF可以直接反映數(shù)據(jù)之間的距離，其分類效果優(yōu)于其他核函數(shù)[11]。本文選取RBF作為SVM核函數(shù)，其計(jì)算公式為

（5）

式中：Xi為空間中的任意一點(diǎn)；Xj為樣本的中心點(diǎn)；是從空間中任意一點(diǎn)到樣本中心的距離；為內(nèi)核參數(shù)，決定RBF的作用范圍，其值過(guò)大模型會(huì)更復(fù)雜，過(guò)度擬合訓(xùn)練數(shù)據(jù)導(dǎo)致泛化性能較差。

正則化參數(shù)C和核函數(shù)內(nèi)核參數(shù)的取值，直接影響SVM的復(fù)雜度和泛化能力。在傳統(tǒng)分類任務(wù)中，設(shè)置超參數(shù)需要一定的經(jīng)驗(yàn)和調(diào)優(yōu)過(guò)程，如交叉驗(yàn)證方法，但該方法較為繁瑣，且存在模型過(guò)擬合的風(fēng)險(xiǎn)。

PSO算法通過(guò)模擬鳥(niǎo)群覓食行為不斷地迭代粒子速度和位置，以尋找最優(yōu)解[12]。PSO算法將一群粒子隨機(jī)分布在搜索空間，每個(gè)粒子代表一種SVM模型的超參數(shù)組合并作為一個(gè)候選解，計(jì)算每個(gè)粒子位置對(duì)應(yīng)的適應(yīng)度值，即訓(xùn)練好的模型在測(cè)試集的分類準(zhǔn)確率。適應(yīng)度值用于評(píng)價(jià)粒子解的好壞程度。PSO算法中每個(gè)粒子都有自己的速度和位置。根據(jù)PSO原理，粒子的速度和位置受個(gè)體經(jīng)驗(yàn)和群體協(xié)作的影響，粒子更新速度和位置的公式為

（6）

式中：k為當(dāng)前迭代次數(shù)；為慣性因子，其值越小，局部尋優(yōu)能力越強(qiáng)，全局尋優(yōu)能力越弱；、為學(xué)習(xí)因子；、為隨機(jī)數(shù)，介于（0，1）之間；為粒子數(shù)；為當(dāng)前空間維度；為迭代速度；x為迭代位置；和分別為第i個(gè)粒子的個(gè)體最優(yōu)解和全局最優(yōu)解。

重復(fù)更新粒子的速度和位置，直到迭代次數(shù)達(dá)到上限或者滿足停止條件為止。在每次迭代過(guò)程中，根據(jù)應(yīng)度值來(lái)適更新歷史最優(yōu)解和全局最優(yōu)解。

基于PSO-SVM的通信電纜故障檢測(cè)流程如圖4所示。

將通信電纜故障仿真模型采集的樣本數(shù)據(jù)轉(zhuǎn)化為特征向量并進(jìn)行標(biāo)記，構(gòu)成通信電纜行波數(shù)據(jù)集。將該數(shù)據(jù)集按8∶2的比例劃分為訓(xùn)練集和驗(yàn)證集。SVM模型超參數(shù)配置時(shí)，正則化參數(shù)C設(shè)置為0.01，核函數(shù)選擇RBF，同時(shí)將核函數(shù)設(shè)置為0.1。將訓(xùn)練集數(shù)據(jù)輸入到SVM模型進(jìn)行訓(xùn)練，迭代過(guò)程中根據(jù)SVM模型在訓(xùn)練集上的性能評(píng)估其適應(yīng)度值，即精度是否滿足要求。當(dāng)精度不滿足要求時(shí)，通過(guò)PSO算法優(yōu)化SVM模型超參數(shù)，重復(fù)此過(guò)程直至達(dá)到最大迭代次數(shù)或者精度達(dá)到設(shè)定的閾值。最后通過(guò)驗(yàn)證集驗(yàn)證SVM模型性能是否滿足要求。

4 基于CNN-LSTM的通信電纜故障定位模型

4.1 CNN

CNN是一種擁有深度結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)模型，主要包括輸入層、卷積層、池化層、全連接層和輸出層等，基本結(jié)構(gòu)如圖5所示。

輸入層、卷積層和池化層組成特征提取器，用于遍歷輸入數(shù)據(jù)，提取高維特征；全連接層和輸出層構(gòu)成分類識(shí)別器，用于判斷目標(biāo)類別并將其映射為預(yù)測(cè)結(jié)果[13]。輸入數(shù)據(jù)經(jīng)預(yù)處理后前向傳播，依次進(jìn)行卷積操作和池化操作，提取樣本數(shù)據(jù)的特征信息。其中，卷積操作利用卷積核對(duì)輸入數(shù)據(jù)進(jìn)行掃描并提取特征；池化操作對(duì)卷積后的特征圖進(jìn)行降采樣，減少特征圖的維度并保留重要信息。全連接層融合提取的特征并降低維度，最終由輸出層將全連接層的輸出映射到類別標(biāo)簽上，完成分類任務(wù)。

4.2 LSTM

LSTM網(wǎng)絡(luò)是循環(huán)神經(jīng)網(wǎng)絡(luò)的一種特殊變體，它通過(guò)記憶單元和門控機(jī)制，提升了從長(zhǎng)輸入序列中學(xué)習(xí)特征的能力，不僅克服了訓(xùn)練循環(huán)神經(jīng)網(wǎng)絡(luò)的諸多困難，還增強(qiáng)了網(wǎng)絡(luò)的穩(wěn)定性。當(dāng)多個(gè)LSTM網(wǎng)絡(luò)單元相互連接，形成更復(fù)雜的網(wǎng)絡(luò)結(jié)構(gòu)時(shí)，排除了梯度消失問(wèn)題，進(jìn)一步提升了模型的性能和準(zhǔn)確性，使LSTM網(wǎng)絡(luò)在處理復(fù)雜時(shí)間序列特征的波形數(shù)據(jù)時(shí)，可以有效地捕捉到信號(hào)中的時(shí)序特征和周期性變化。LSTM網(wǎng)絡(luò)單元結(jié)構(gòu)如圖6所示。

圖6中：、、分別為遺忘門、輸入門和輸出門的計(jì)算結(jié)果，Sigmoid激活函數(shù)的輸出值為0或1，Tanh激活函數(shù)輸出值的范圍為[-1，1]。ct–1和ht-1為上一層的輸出，和為本層的輸出，以ct–1和ht-1為例，ht-1為上一層輸出到這一層的全部信息，ct–1表示上一層與本層的交互信息量，其決定本層將會(huì)保留哪些信息。

4.3 CNN-LSTM

基于行波法得到的通信電纜行波數(shù)據(jù)不屬于傳統(tǒng)意義上的結(jié)構(gòu)數(shù)據(jù)，而是一維或多維的時(shí)間序列數(shù)據(jù)[14]。通過(guò)融合CNN與LSTM模型能有效提取通信電纜行波數(shù)據(jù)的空間特征和時(shí)序特性，實(shí)現(xiàn)故障的精確定位。基于CNN-LSTM的通信電纜故障定位模型結(jié)構(gòu)如圖7所示。

基于CNN-LSTM的通信電纜故障定位模型包含信號(hào)輸入層、卷積層、池化層、LSTM層和輸出層。為了防止過(guò)擬合，在每個(gè)卷積層后加入批量歸一化（BN），并應(yīng)用Dropout操作。Dropout隨機(jī)將神經(jīng)元輸出置零，減少神經(jīng)元間的依賴，降低過(guò)擬合風(fēng)險(xiǎn)。Dropout刪除比例設(shè)為0.1，初值設(shè)為0.001[15]。使用自適應(yīng)矩陣估計(jì)算法（adaptive moment estimation， Adam）將訓(xùn)練誤差進(jìn)行反向傳播，逐層逐步地更新模型參數(shù)，進(jìn)行學(xué)習(xí)率自適應(yīng)。

基于CNN-LSTM的通信電纜故障定位模型訓(xùn)練流程如圖8所示。

配置CNN-LSTM網(wǎng)絡(luò)初始結(jié)構(gòu)參數(shù)、權(quán)重值和學(xué)習(xí)率后，將輸入脈沖反射信號(hào)樣本進(jìn)行連續(xù)小波變換[16]，生成每段小波時(shí)頻數(shù)據(jù)。當(dāng)故障數(shù)據(jù)和正常數(shù)據(jù)相差過(guò)大時(shí)，進(jìn)行歸一化處理：

（7）

式中：y為原始數(shù)據(jù)；為歸一化結(jié)果，值域在[0，1]之間。

根據(jù)網(wǎng)絡(luò)輸入尺寸對(duì)輸入樣本進(jìn)行調(diào)整后，按8∶2的比例將其劃分為訓(xùn)練集和測(cè)試集。首先，將訓(xùn)練集數(shù)據(jù)輸入CNN-LSTM網(wǎng)絡(luò)進(jìn)行訓(xùn)練，CNN通過(guò)卷積核滑動(dòng)提取訓(xùn)練樣本的局部空間特征，生成不同尺度和抽象的空間特征映射；然后，經(jīng)過(guò)池化層減少特征映射的尺寸，并保留重要的特征信息做歸一化處理；接著，將CNN輸出的特征序列作為L(zhǎng)STM網(wǎng)絡(luò)的輸入序列，LSTM網(wǎng)絡(luò)通過(guò)記憶單元和門控機(jī)制學(xué)習(xí)數(shù)據(jù)的時(shí)間序列信息，并捕獲數(shù)據(jù)的長(zhǎng)期依賴關(guān)系[17]；最后，判斷當(dāng)前網(wǎng)絡(luò)的訓(xùn)練次數(shù)n是否達(dá)到初始設(shè)定值M，訓(xùn)練完成后通過(guò)在測(cè)試集上的表現(xiàn)評(píng)價(jià)模型。

5 實(shí)驗(yàn)驗(yàn)證

為驗(yàn)證本文方法在通信電纜故障檢測(cè)與定位任務(wù)中的有效性，對(duì)基于PSO-SVM的通信電纜故障檢測(cè)模型、基于CNN-LSTM的通信電纜故障定位模型進(jìn)行實(shí)驗(yàn)驗(yàn)證。實(shí)驗(yàn)軟硬件條件如表2所示。

通信電纜故障仿真模型采集了10～200 m范圍內(nèi)間距為10 m的正常、短路、斷路和高阻故障，共400組通信電纜行波數(shù)據(jù)樣本。以可視化短路故障行波數(shù)據(jù)圖（圖9）和200 m高阻故障行波時(shí)間序列圖（圖10）為例，反映通信電纜行波信號(hào)（電壓信號(hào)）隨時(shí)間的變化趨勢(shì)及反射情況。

將通信電纜故障仿真模型采集的通信電纜行波數(shù)據(jù)轉(zhuǎn)化為特征向量并進(jìn)行標(biāo)注，構(gòu)建通信電纜行波數(shù)據(jù)集。對(duì)輸入CNN-LSTM通信電纜故障定位模型的數(shù)據(jù)進(jìn)行小波變化及歸一化處理。經(jīng)1 200輪訓(xùn)練迭代后，基于PSO-SVM的通信電纜故障檢測(cè)模型在測(cè)試集上的識(shí)別準(zhǔn)確率達(dá)99.4%。

平均絕對(duì)誤差（mean absolute error， MAE）用于評(píng)估模型預(yù)測(cè)值與實(shí)際觀測(cè)值之間的平均絕對(duì)差異。均方根誤差（root mean squared error， RMSE）用于評(píng)估預(yù)測(cè)結(jié)果與真實(shí)值之間的差異程度。MAE、RMSE值越小，模型的預(yù)測(cè)精度和準(zhǔn)確性越好，經(jīng)過(guò)1 200輪訓(xùn)練迭代后，基于CNN-LSTM的通信電纜故障定位模型在測(cè)試集上的MAE為0.334 9，RMSE為0.320 8。

采用單獨(dú)的CNN模型和LSTM模型對(duì)相同數(shù)據(jù)集進(jìn)行對(duì)比實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果如表3所示。

由表3可知，基于CNN-LSTM的通信電纜故障定位模型結(jié)合了CNN、LSTM兩種模型的特點(diǎn)，能夠更全面地利用通信電纜行波數(shù)據(jù)中的空間和時(shí)序特征，在故障點(diǎn)位置預(yù)測(cè)任務(wù)中，其MAE對(duì)比單獨(dú)使用CNN和LSTM模型分別降低了0.363 2和0.207，RMSE分別降低了0.586 7和0.381 7，準(zhǔn)確率分別提高了9.47%和6.2%。

6 結(jié)論

本文為解決通信電纜故障檢測(cè)與定位的問(wèn)題，首先，搭建通信電纜仿真模型來(lái)采集數(shù)據(jù)樣本；然后，在基于PSO-SVM的通信電纜故障檢測(cè)模型中，利用PSO算法對(duì)SVM模型的超參數(shù)進(jìn)行優(yōu)化，實(shí)現(xiàn)不同故障的有效分類；接著，在基于CNN-LSTM的通信電纜故障定位模型中，先通過(guò)CNN提取行波數(shù)據(jù)的空間特征，再通過(guò)LSTM學(xué)習(xí)數(shù)據(jù)中的時(shí)間序列信息，實(shí)現(xiàn)對(duì)通信電纜故障點(diǎn)的精確定位；最后，通過(guò)對(duì)比實(shí)驗(yàn)證明，基于CNN-LSTM的通信電纜故障定位模型的網(wǎng)絡(luò)精度較單獨(dú)使用CNN和LSTM模型均有顯著提升。未來(lái)在進(jìn)一步優(yōu)化模型性能的基礎(chǔ)上，結(jié)合實(shí)際場(chǎng)景數(shù)據(jù)進(jìn)行更全面的驗(yàn)證和應(yīng)用。

參考文獻(xiàn)

[1]GILANY M， KHALIL IBRAHIM D. Traveling-wave-based fault-location scheme for multiend-aged underground cable system[J]. IEEE Transactions on power delivery， 2006，22（1）： 82-89.

[2]鹿洪剛，覃劍，陳祥訓(xùn)，等.電力電纜故障測(cè)距綜述[J].電網(wǎng)技術(shù)，2004，28（20）：58-63.

[3]袁燕嶺，李世松，董杰，等.電力電纜診斷檢測(cè)技術(shù)綜述[J]. 電測(cè)與儀表，2016（11）：1-7.

[4]JENA S， MISHRA D P， SALKUTI S R. Fault detection， classification， and location in underground cables[M]// Power Quality in Microgrids： Issues， Challenges and Mitigation Te-chniques. Singapore： Springer Nature Singapore， 2023：195-215.

[5]高恩嵩.電橋法在電纜低阻故障點(diǎn)探測(cè)中的應(yīng)用[J].電工技術(shù)，2017（8）：89-90.

[6]張金亮.基于人工智能的電纜故障精確定位與實(shí)現(xiàn)技術(shù)[D].山東大學(xué)，2023.

[7]YANG X， CHOI M S， LEE S J， et al. Fault location for underground power cable using distributed parameter ap-proach[J]. IEEE Transactions on Power Systems， 2008，23（4）： 1809-1816.

[8]JANANI H， KORDI B. Towards automated statistical partial discharge source classification using pattern recognition tech-niques[J]. High Voltage， 2018，3（3）：162-169.

[9]VAPNIK V. The nature of statistical learning theory[M]. Springer science & business media， 1999.

[10]曹嘉嘉，嚴(yán)圓，陳益等.基于PSO優(yōu)化的SVM在心臟病分類上的應(yīng)用[J].東莞理工學(xué)院學(xué)報(bào)，2022，29（3）：50-56.

[11]FENG G H. SVM classification kernel function and parameter selection comparison[J]. Computer Engineering and Applica-tions， 2011，47：123-124.

[12]JIAO L， LI Y， GONG M， et al. Quantum-inspired immune clonal algorithm for global optimization[J]. IEEE Transactions on Systems， Man， and Cybernetics， Part B （Cybernetics）， 2008， 38（5）：1234-1253.

[13]WANG Y， HOU L， PAUL K C， et al. ArcNet： Series AC arc fault detection based on raw current and convolutional neural network[J]. IEEE Transactions on Industrial Informatics， 2021， 18（1）：77-86.

[14]WU Y， ZHANG P， LU G. Detection and location of aged cable segment in underground power distribution system using deep learning approach[J]. IEEE Transactions on Industrial Infor-matics， 2021，17（11）：7379-7389.

[15]馮寅，賈宏濤，楊震強(qiáng)，等.基于CNN-LSTM的輸電線路故障診斷方法研究[J].電網(wǎng)與清潔能源， 2023，39（11）：59-65.

[16]姚海燕，張靜，留毅，等.基于多尺度小波判據(jù)和時(shí)頻特征關(guān)聯(lián)的電纜早期故障檢測(cè)和識(shí)別方法[J].電力系統(tǒng)保護(hù)與控制，2015，43（9）：115-123.

[17]CHI P， ZHANG Z， LIANG R， et al. A fault diagnosis method of double-layer LSTM for 10 kV single-core cable based on multiple observable electrical quantities[J]. Electrical Engi-neering， 2022，104（2）：603-614.

作者簡(jiǎn)介：

黃藝航，男，1999年生，在讀研究生，主要研究方向：智能測(cè)控。

蔡凱武，男，1984年生，碩士研究生，副教授，主要研究方向：智能測(cè)控。E-mail： Caikw@gdut.edu.cn

黃曉智，男，1999年生，在讀研究生，主要研究方向：智能測(cè)控。

袁澄，男，1999年生，在讀研究生，主要研究方向：智能測(cè)控。

梁恩源，男，2000年生，在讀研究生，主要研究方向：智能測(cè)控。

林智海，男，2000年生，在讀研究生，主要研究方向：智能測(cè)控。